豆粕的市场需求量大，是目前国内畜禽饲粮中应用最广泛的植物蛋白原料。在生产与流通过程中，豆粕中会被掺入一些廉价杂粕，以假乱真、以次充好，从而危害饲料安全和畜禽养殖生产。目前常用显微镜检和化学分析等方法检测饲料原料中掺假物质[1]。显微镜检法可定性鉴别掺假物的种类，但不能定量检测掺假含量，且鉴别准确性有赖于镜检者的熟练程度和主观经验；化学分析法耗时费力、测定过程烦琐，且使用化学试剂可能污染环境。近年来，近红外光谱分析技术已发展成为一种兼具准确性、安全性和稳定性的检测方法，操作相对简便，对样品无损伤，无须化学试剂，不污染环境，在众多研究领域广泛应用[2-4]。近红外光是指波长（λ）介于780~2 500 nm的电磁波（波数为12 820～4 000 cm-1，即1/λ），不同物质的组成成分不同，其中有机物质组分的C—H、N—H、O—H、S—H等含氢基团的种类和数目也不同，故对近红外光线的吸收、透射、散射和反射也不完全相同，因此近红外反射（near-infrared reflectance，NIR）光谱技术可对物质中有机物质组分含量进行准确定性分析和定量分析，在饲料原料品质检验与质量安全控制[2-4]，以及食用油[5-6]、奶制品[7-9]、粉状食物[10-11]的掺假鉴别中发挥了独特作用。NIR光谱技术亦可用于饲料原料[12-14]掺假鉴别，如鱼粉中掺杂豆粕[15]、肉骨粉[16-18]、三聚氰胺[19]等，也有用于检验豆粕中掺假物如三聚氰胺[20-22]、尿素[23-24]等。基于NIR光谱技术对豆粕中掺假菜籽粕的定量检测方法尚未见报道。本试验采用化学计量学方法，建立以NIR光谱为技术基础的豆粕掺假物定量分析模型，旨在为豆粕掺假物定量检验提供一种新方法。1材料与方法1.1样品制备参考文献[25]方法，使用旋风式粉碎机将豆粕和菜籽粕粉碎，在豆粕中掺入0、5%、10%、15%、20%、25%、30%菜籽粕，混匀，每个掺杂水平30份重复样品。随机选取20份样品用于拟合NIR光谱预测模型（建模集），其余10份样品用于验证所拟合预测模型的准确性（验证集）。1.2NIR光谱预测模型的拟合建模集样品使用德国Bruker公司生产的Tensor Ⅱ型傅里叶变换近红外光谱仪进行NIR光谱扫描[25]，扫描光谱范围为10 000~4 000 cm-1（λ为1 000~2 500 nm），每个样品按照操作规程平行扫描3次，以漫反射模式采集光谱信号，由随仪器标配的Opus软件自动获取NIR光谱数据420个，应用化学计量学方法对原始光谱数据进行矢量归一化（SNV）、多元散射校正（MSC）、消除常数偏移量、线性补偿差减法等预处理，去除14个异常光谱数据后，基于406个光谱数据以偏最小二乘法（PLS）拟合NIR光谱预测模型，由Opus软件确定其中决定系数（R2）和斜率最接近1、交叉验证均方根误差（RMSECV）最接近0者，为最优NIR光谱预测模型[25]。1.3NIR光谱预测模型的验证采用1.2中相同方法，获取验证集样品的NIR光谱数据共计180个，由Opus软件代入拟合的NIR预测模型中，获得菜籽粕掺假比例的预测值，通过Excel建立预测值与真值之间回归方程，计算预测值的相对误差[25]。2结果与分析2.1掺假豆粕的NIR特征光谱（见图1）由图1可知，经Opus软件判别，与纯豆粕相比，掺入菜籽粕的豆粕NIR光谱发生了改变，即鉴别出掺假菜籽粕的特征光谱波数范围是6 102.3~4 247.6 cm-1，在此区域内掺假豆粕NIR光谱与纯豆粕相比存在明显差异，而在其他光谱区域，二者并无不同。图1纯豆粕和掺假豆粕的NIR光谱10.13557/j.cnki.issn1002-2813.2023.11.027.F1a1（a）纯豆粕10.13557/j.cnki.issn1002-2813.2023.11.027.F1a2（b）掺假豆粕2.2NIR光谱预测模型的拟合结果（见表1、图2）使用Opus软件拟合了1~10维数的NIR光谱预测模型。由表1、图2可知，当维数为8时，豆粕中菜籽粕掺假量的NIR光谱预测模型为最优，其R2为0.983、RMSECV为1.30、斜率为0.984。10.13557/j.cnki.issn1002-2813.2023.11.027.T001表1建模集NIR光谱预测模型的评价参数维数R2RMSECV斜率推荐维数10.0539.750.07020.6076.280.61830.9192.850.92040.9492.250.95250.9731.660.97460.9801.410.98170.9821.340.98380.9831.300.984＋90.9831.300.984100.9831.300.984注“+”表示最优维数。10.13557/j.cnki.issn1002-2813.2023.11.027.F002图2建模集NIR光谱模型预测值和真值之间回归关系2.3NIR光谱预测模型的验证结果（见图3、表2）由图3可知，验证集菜籽粕掺假比例预测值和真实值之间回归方程的R2为0.971。10.13557/j.cnki.issn1002-2813.2023.11.027.F003图3验证集NIR光谱模型预测值和真值之间回归关系由表2可知，验证集的菜籽粕掺假比例≤10%时，NIR光谱模型预测值的相对误差为8.93%~12.22%，平均值为10.6%；掺假比例为15%~30%时，预测值的相对误差则降至1.69%~2.21%，平均值为1.69%。10.13557/j.cnki.issn1002-2813.2023.11.027.T002表2验证集NIR光谱模型的预测值误差掺假真值掺假预测值绝对误差相对误差55.450.458.931011.221.2212.221515.330.332.212019.77-0.231.172525.430.431.723030.510.511.69%3讨论本试验中，掺入菜籽粕的豆粕NIR光谱在6 102.3~4 247.6 cm-1的特定区域内出现了差异，说明NIR光谱可以反映豆粕掺假后N—H、O—H、C—H等含H基团的种类和数目变化，为NIR光谱技术实现定量检测菜籽粕掺假量提供了参考。掺杂三聚氰胺的豆粕NIR特征光谱波数范围是9 000~4 000 cm-1[21,23]；掺杂尿素的豆粕NIR特征光谱波数范围是6 812 cm-1[23]、7 567~3 695 cm-1[24]两个区域；掺杂三聚氰胺的鱼粉NIR特征光谱波数范围是7 560.0~7 058.5、6 915.8~6 098.1、4 601.6~4 246.7 cm-1共3个区域[19]；掺杂肉骨粉的鱼粉NIR特征光谱波数是5 882.4 cm-1[16]。这些NIR特征光谱出现，反映了豆粕或鱼粉掺假后，其中的氨基和羟基等含H基团数目发生了明显变化。陈国喜等[26]报道，掺入0.5%~20.0%皮革蛋白的奶粉NIR特征光谱波数范围为9 174.3～8 928.6、7 812.5~7 575.6、7 142.9~6 451.6 cm-1共3个区域。王宁宁等[27]发现，掺入0.1%~50.0%淀粉的奶粉NIR特征光谱波数范围则为9 090.9～5 966.6 cm-1。因此，掺假饲料原料或食品的NIR光谱均发生了显著改变而出现特征光谱，通过NIR光谱技术实现定量检测掺假物含量在理论上可行。本试验中，建模集菜籽粕掺假量的NIR光谱预测模型R2达到0.983，表明该模型拟合性较佳，预测准确率高，能够对掺假物进行精确、定量的检测。本试验组前期研究中拟合的豆粕中棉籽粕掺假量的最优NIR光谱预测模型R2=0.975[25]。基于NIR光谱技术的文献结果表明，豆粕中三聚氰胺掺假量的预测模型R2=0.890~0.990[21]；鱼粉中三聚氰胺掺假量或肉骨粉掺假的预测模型R2分别是0.948[19]、0.900~0.950[16-18]。本研究拟合的菜籽粕掺假量的NIR光谱预测模型R2均普遍高于以上文献报道的预测模型R2，表明基于NIR光谱技术检测菜籽粕掺假量的方法具有更高的准确度。本研究的模型验证结果表明，NIR光谱模型的预测值和真实值相关性高，二者间的回归方程R2=0.971，数值略高于本试验组前期报道的豆粕中棉籽粕掺假量的NIR光谱模型预测值和真实值的回归方程R2值0.960[25]。豆粕中掺入0.1%~5.0%三聚氰胺后，通过NIR光谱预测模型对验证集样品的判别准确率高于95.3%[23]，掺入0.10%~5.00%尿素或者0.08%~5.00%尿素聚合物后，NIR光谱预测模型对验证集样品的正确识别率分别达到了94.2%[23]和99.0%[24]以上。陈嘉等[11]报道，葛粉中淀粉掺假量的NIR光谱模型预测值与真实值之间回归方程R2为0.995。张晶等[10]报道，苦荞粉中小麦粉掺假量（10%~50%）的NIR光谱模型预测值的相对误差为4.6%。此外，NIR光谱技术对掺入玉米油、花生油、菜籽油、葵花籽油和大豆油的掺假油茶籽油的正确识别率达到了97.6%~98.9%[28]，山茶油中玉米油和花生油掺假量的NIR光谱预测值的相对误差则低于6%[5]。本研究的模型验证结果还表明，NIR光谱模型预测值的相对误差随菜籽粕掺假量的增加而降低，表明模型预测的准确度随掺假量的增加而提高，菜籽粕掺假量≤10%时，预测值的平均相对误差为10.6%；掺假量提高至15%~30%，预测值的平均相对误差则降低至1.69%。豆粕中棉籽粕掺假率的NIR光谱模型预测值的相对误差也有类似的变化趋势[25]。NIR光谱模型对鱼粉中掺入肉骨粉（1%~33%）的总体正确识别率为95.6%；但当肉骨粉掺假量≥5%时，正确识别率则达到了100%[16]。郭文川等[29]报道，通过NIR光谱模型预测的掺假比例为1%的油茶籽油的正确识别率为94.7%，而当掺假比例≥3%时，正确识别率则达到了100%。以上结果表明，随着掺假比例提高，NIR光谱预测模型的准确性也随之提高。因此，在低掺假量区间内加密处理数，或针对低掺假量区间单独建模，有可能提高NIR光谱预测模型的拟合能力和准确程度。4结论本试验表明，豆粕中菜籽粕掺假量的NIR光谱定量分析预测模型R2为0.983、RMSECV为1.30。预测模型拟合性佳，准确度高，为定量检测豆粕中掺假物含量提供了参考依据。